机器学习支持的诊断小蓝圆细胞肉瘤使用向RNA测序
Lea D Schlieben1, Maria Giulia Carta1, Evgeny A Moskalev1
1Institute of Pathology, University Hospital Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany; Comprehensive Cancer Center Erlangen-EMN, Erlangen, Germany; Bavarian Cancer Research Center, Erlangen, Germany.
The Journal of molecular diagnostics : JMD
|February 23, 2024
概括
机器学习有助于通过分析基因表达来诊断小蓝圆细胞肉瘤 (SBRCS). 这种方法可以准确地识别CIC重排的肉瘤,提高这些具有挑战性的瘤的诊断准确度.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 小蓝圆细胞肉瘤 (SBRCS) 是一组多样化的瘤,外表相似,但预后不同.
- 准确的诊断依赖于识别特定的染色体变化,例如基因融合.
- 识别CIC::DUX4转位,一种常见的CIC重排,在诊断上具有挑战性.
研究的目的:
- 开发和验证用于改进SBRCS诊断的机器学习方法.
- 支持使用基因表达特征识别CIC重排的肉瘤.
- 为了提高SBRCS子组的诊断准确度.
主要方法:
- 一个随机森林机器学习分类器被训练在SBRCS子组的基因表达数据.
- 针对性测序用于测量基因表达特征.
- 该分类器在一大批常规诊断病例的回顾性队列上得到了验证.
主要成果:
- 在不同的SBRCS亚组中观察到不同的基因表达模式.
- 该分类器准确地预测了CIC重组瘤 (>0.9) 与其他SBRCS (<0.6) 的概率.
- 在一个大队列中,确定了15种候选CIC重排的瘤,经过专家审查证实了这一点.
结论:
- 一个基于表达式的机器学习分类器为SBRCS病理诊断提供了宝贵的支持.
- 这种方法比依赖单基因标记物 (如高ETV4表达) 更有利.
- 开发的分类器可以帮助准确识别具有挑战性的CIC重排的SBRCS.
